Kontrolle der Benutzerwahrnehmungen des linguistischen Stils: Trainierbare Generierung von Persönlichkeitsmerkmalen

Neuere Arbeiten zur natürlichen Sprachgenerierung haben begonnen, linguistische Variation zu berücksichtigen und Algorithmen zu entwickeln, die in der Lage sind, den linguistischen Stil des Systems entweder basierend auf dem linguistischen Stil des Benutzers oder anderen Faktoren wie Persönlichkeit oder Höflichkeit zu modifizieren. Während die stilistische Kontrolle traditionell auf handgefertigten Regeln beruhte, sind statistische Methoden wahrscheinlich erforderlich, damit Generierungssysteme in der Lage sind, die breite Palette an Variation zu produzieren, die in menschlichen Dialogen beobachtet wird. Frühere Arbeiten zur statistischen natürlichen Sprachgenerierung (SNLG) haben gezeigt, dass die Grammatikalität und Natürlichkeit der generierten Äußerungen aus Daten optimiert werden kann; jedoch wurde gezeigt, dass diese datengestützten Methoden keine stilistische Variation erzeugen, die von Menschen so wahrgenommen wird, wie es das System beabsichtigte. Dieses Papier beschreibt Personage, einen hochparametrisierbaren Sprachgenerator, dessen Parameter auf psychologischen Erkenntnissen über die linguistischen Reflexe der Persönlichkeit basieren. Wir präsentieren eine neuartige SNLG-Methode, die Parameterschätzmodelle verwendet, die auf persönlichkeitsannotierten Daten trainiert wurden, um die Generierungsentscheidungen vorherzusagen, die erforderlich sind, um jede Kombination von Skalaren entlang der fünf Hauptdimensionen der Persönlichkeit zu vermitteln. Eine menschliche Auswertung zeigt, dass Parameterschätzmodelle erkennbare stilistische Variation entlang mehrerer Dimensionen, auf einer kontinuierlichen Skala und ohne die durch Übergenerierungstechniken verursachten Rechenkosten produzieren.